分类
加密货币及区块链

量化交易


左:Jules Regnault,右:Edward Thorp。資料來源:網路

量化交易和高频交易有什么区别

按照数学模型的理念和对计算机技术的利用方式,量化交易方式可以进一步细分为自动化交易(Automatic Trading)、数量化投资(Quantitative Investment)、程序化交易(Program Trading)、算法交易(Algorithm Trading)、以及高频交易(High Frequency Trading)。这五种量化交易方式侧重点各有不同,是量化交易技术发展到不同程度的产物。但是在实际应用中,五种量化交易方式的名词经常被交叉使用。

程序化交易,是从美国七十年代的证券市场上的系统化交易发展演变而来的,是伴随着股指期货与现货市场套利交易而兴起的数量化交易方式。纽约证券交易所(NYSE)把程序化交易定义为:Program 量化交易 trading encompasses a wide range of portfolio-trading strategies involving the purchase or sale of a basket of at least 15 stocks with a total value of $1 million or more.即任何含有标普500指数15只股票以上,其价值100万美元以上的交易,属于程序化交易。纽约证券交易所的定义主要突出的是交易规模和集中性。程序化交易发展到今天,其含义已经远远超过了纽约证券交易所当初的定义。国泰君安证券对程序化交易给出了一个更为市场化的定义:根据一定的交易规模和规则生成买卖信号,由计算机自动执行买卖指令的交易过程。简单的说,就是利用计算机程序来控制买进卖出的事迹并自动执行。在这个定义中,突出的是交易模型、计算机程序对交易的重要性。随着量化技术的深入发展,程序化交易和算法交易的界限逐渐模糊,有些市场使用高频交易描述流行的量化交易方式。

量化投资与算法交易(一)

井冈山李德胜 发表于 2020/05/21 14:14:54 2020/05/21

量化投资与算法交易

什么是量化投资

什么是算法交易

怎么入门量化投资和算法交易

量化投资的运用

国内外量化投资的现状

回归和分类是量化交易的全部吗?

我们从算法的角度来讲, 比如机器学习, 那么必然给定输入数据给出的无外乎是回归或者分类, 在量化投资中, 我们仍然看这些显然是有点苍白的, 还需要涉及到行业背景, 历史上, 很多公司(上海, 杭州)都对行业知识做了专家系统,或者对历史10年的数据做了训练, 试图搞定所谓的行业背景, 结果当然不容乐观。所以,回归和分类不是量化交易的本质。加上行业知识才是系统的量化投资。

量化交易夯什麼?

量化投資其中一個很大的意義是:利用歷史數據做回測!若將此結果經過大盤比較後,可以得到顯著的成果,那麼這種訊號才是真正重要的。而採用歷史數據還有另外一個優點:避免投資人做出情緒性的選擇,讓投資人能保持客觀,不受到情緒上的影響,這是因為人會傾向忽略不利或矛盾的意見 (行為心理學上稱為確認偏誤 Confirmation bias)。就算投資人不想採用量化交易,也應該盡力避免自身的偏誤,多利用歷史數據及研究報告,有些財務論文中也會使用歷史數據及統計方法驗證某些現象的存在與否,能夠使投資人更加了解資本市場。


Confirmation Bias 量化交易 確認偏誤。資料來源:The Reflective Educator

量化交易的歷史

量化交易起源於 1970 年代的股票市場,之後迅速發展和普及,尤其是在期貨交易市場中,程式化逐漸成為主流。人為交易中,交易者的情緒波動等因素,越來越成為盈利的障礙,而程式化交易天然而成的精準性、執行率則帶來了優勢。

量化交易與人為交易最大的差別是:模型應用,而最早採用量化方法來分析研究股票漲跌規律的是法國人 Jules Regnault,他認為「頻繁的短線交易終將導致快速破產」,他當初手工統計了數十年的股票及國債數據,從中得知一套規律,並進而延伸出後續的投資公式,這也告訴我們,「市場價格的漲跌背後必然隱藏某些普遍規律」。

而後,美國的 Edward Thorp 利用概率論的凱利公式,透過賭博賺了大筆金錢,並發表了論點:「隨機事件樣本越多,結果的確定性就越高」。之後 Edward Thorp 投入股票權證市場,將數學公式編寫成量化模型,尋求市場定價失常。1969 年他首創全球量化交易對沖基金,經營近 30 年,無一年虧損。他深信,只要依靠概率建立起量化模型,依照長期大量的數據計算出合理價格並執行交易,就能夠積小勝成大勝。


左:Jules Regnault,右:Edward Thorp。資料來源:網路

提到量化交易,就不得不提到 James Simons,其實他在交易初期也執著於宏觀經濟面,雖然他很快就意識到可以利用模型化數據,但直到他屏除模型中所有宏觀經濟基本面內容,集中於短線交易,才得到顯著的獲利。其「大獎章基金」在當時的 20 年間,年均淨回報率高達 40–80%,可說是有史以來最成功的量化投資之王。


James Simons。資料來源:網路

量化交易的優點

由於極度依賴數據分析,量化交易策略本身即存在高度的「可度量性」,及其衍生而來的「可驗證性」,這是由於未來數據的不可得,交易員必須仰賴過往的歷史數據做測試,當使用量化交易時,需多次重複歷史回溯測試均能得到一致的結果,如果測試結果是正向的,至少可以說明該量化交易策略在歷史檢驗上具有盈利能力。

而這也會讓交易策略得到強大的「客觀性」,也是大家對於量化交易最普遍的理解,如上述所說,量化交易是使用大數據及程式模型去執行,利用這樣科學化的方式,徹底排除外在干擾訊息的因素,讓數據證明一切,並經由回測驗證其有效性,避免讓投資人因接收到過多訊息干擾,而做出情緒偏誤的決策。

最重要的是,量化交易策略在執行時,會使實際交易行為與過去歷史數據達到「一致性」,因為在建立量化交易策略時,所有的交易規則都已下了精確的定義,並由程式強制執行,這也是絕大部分人為交易策略無法達成的。

量化投資 vs. 人為投資

量化策略的分類

關於量化策略的分類每個人都有不同的見解,但常見的有以下幾類:α 策略、高頻交易、量化 CTA、套利等。

1. α策略:這種策略的特性是回撤和獲益都比較小,但能夠使投資者在大多數的情況下,都保持獲利。其具體想法是找出市場裡最優秀的品種,做多這些品種,然後做空相應多的指數,這樣就鎖定了最優秀的品種帶來的收益,而把指數帶來的波動進行了平抑。
2.高頻交易:這是利用電腦程式處理微觀市場層面的不均衡性,交易次數多、持倉時間短,會在短時間內做高頻率的進出場,每次交易的平均利潤較小,但優點是有較穩定的報酬。
3.量化 CTA:量化 CTA 策略可分為兩種:「趨勢追蹤策略」及「均值回復策略」。其中,使用較多的是趨勢追蹤策略,它是利用許多策略模型找出目前的市場趨勢,並依此判斷做多或做空,因此與波動率息息相關,也因此這種策略在趨勢明確或是牛市熊市快速變換時,具有較大的優勢。另一種均值回復策略,是種反趨勢策略,是利用某些保持穩定均值商品,當短期波動使其價格偏離均值時,進場反向操作,即做空被高估的商品,做多被低估的商品。
4.套利:簡單來說,就是利用價差來賺取獲益的方式。套利方式有非常多種,這邊主要介紹兩種套利方式:

(1) 跨交易所套利:這種模式相對容易執行、風險小,但獲益表現很不錯。套利最簡單的思考方式,想像在臺北芭樂一斤 $50,屏東一斤 $30,那麼只要你在屏東買、到臺北賣,一斤就賺了 $20 的差價。這樣的套利想法也可以套用在投資上,而在加密貨幣的投資上,大家給了一個「搬磚」的有趣名字。

(2) 跨品種套利:是指透過統計分析某些相關產品的歷史價格關聯,當發現價差擴大,且認定為非長期性的不穩定狀態時,即透過配對交易的方式進行套利。舉例來說,A、B 商品之間的價差經常性為 $10,且 A>B,當某天發現其價差增為 $15 時,因認定此為不穩定狀態,便買入 B 並賣出等量 A,那麼當其價差回到經常性的 $10 量化交易 時,即可賺到 $5。但要注意的是,若將此模式套用在沒有存在穩定性的價格關係,其風險會上升許多。

量化交易策略與加密貨幣

1.加密貨幣市場的價格變動快速
2.沒有基本市場面可以預測其價格的變動
3.加密貨幣市場為 24–7 全年無休交易
4.交易所眾多,套利機會長期存在 (據 CoinMarketCap 統計,目前全球交易所有近 300 家)

2011 年之前,由於大眾對加密貨幣的認知普遍不足,量化交易尚未被應用在加密貨幣市場。2011 年起,交易所數量開始增多,有些嗅覺較敏銳的投資者開始利用跨交易所的價差進行套利。而自 2015 年開始,加密貨幣市場急速成長,也經歷了價格的大幅變動,許多看好其長期發展的投資人開始尋求量化交易的機會。

加密貨幣量化交易策略與 Bincentive


HatchQ Demo Day

Bincentive 透過舉辦 HatchQ 加密貨幣交易競賽及其他管道,接觸個人交易專家,並建立緊密關係,上架數支量化交易策略,供會員跟投;另外,Bincentive 也和頂級量化交易對沖基金合作,如:Amber AI、Lucy Labs 等等,推出 Premium Strategies 尊榮專案策略 ,讓會員也能接觸加密對沖基金的策略。


Premium Strategies 尊榮專案策略

Premium Strategies 尊榮專案策略 像是一個資金池,透過智能合約匯集各方投資會員的加密資產,以達到頂尖加密對沖基金的資產門檻,訂閱其設計的尊榮交易策略。在選擇策略後,總投資金額需達到該頂尖對沖基金的軟上限,此時智能合約將會啟動開始進行跟投。但為了方便尊榮會員們的跟投與管理,策略也會有硬上限來保障尊榮會員們權益。

為防止當中途有會員要退出時,影響其他會員的投資合約權益,當尊榮會員們跟投尊榮專案策略的同時,BCNT 代幣也會一起寫入尊榮專案策略智能合約做權益交換 — BCNT 資金池。BCNT 資金池是一個權益轉換與擔保的保證金,當尊榮會員在合約期間內想要終止其智能合約,我們會將尊榮會員的初始投資時當下的等值 BCNT 代幣轉換給尊榮會員,以換取 Bincentive 對其投資金的權益。

結語

本文為 量化交易 Bincentive 整理及獨立觀點,Bincentive 無須對投資損益負責,投資人應審慎考量各種投資風險。(文章亦由 Bincentive 提供,未經同意請勿轉載。)

第 12 屆 iThome 鐵人賽

量化交易30天系列 第 29 篇

量化交易30天 Day29 - 整理量化交易相關學習資源

量化交易30天
本系列文章是紀錄一位量化交易新手的學習過程,除了基礎的Python語法不說明,其他金融相關的東西都會一步步地說明,希望讓更多想學習量化交易但是沒有學過相關金融知識的朋友們,透過這系列的文章,能夠對量化交易略知一二,也歡迎量化交易的高手們多多交流。

台股量化交易

  • Python股票程式交易大師班
    課程內容從串接股市資料API、儲存至資料庫、將自己的策略轉化成程式碼、自動下單,並且可以把整個流程自動化,每天早上執行一次,一整天就不用看盤了,覺得是蠻實戰的,可以參考看看。
  • 用 Python 理財:打造小資族選股策略
    這門課我自己幾乎全部上完,覺得很適合有一點點python基礎的初學者來入門,有教架設簡易資料庫以及爬蟲,並且有提供範例策略的程式碼,讓一開始不會透過程式碼寫出策略的人,可以至少有一個寫法可以參考,會好上手很多,是一門不錯的課程。
  • 用 Python 理財:打造自己的 AI 股票理專
    這堂課是上面那堂課的延伸版,不過我只有上一部分,主要是學習使用機器學習預測股價,理論深度會比較深一些,但實際撰寫上也不會太難,照著內容讀還是蠻容易上手的。
  • 用 Python 打造自己的股票小秘書
    這堂課我自己沒有上過,不過根據網友的分享,大概是教了爬蟲以及選股,並且製作linebot,讓使用可以設定股票到價提醒功能,還蠻實用的,算是一門入門的工具課程。
  • 金融科技實戰:Python與量化投資
    這是一本扎實的量化交易書籍,從最基本的python語法,到數據分析相關套件的教學,統計分析的理論與python運算,技術指標的撰寫,投資組合理論. 等等,可以說是基礎量化交易的聖經吧,我自己從這本書學到蠻多內容的,很推薦對量化有興趣的人,可以看看這本。

美股量化交易

  • Steps to becoming a quant trader
    這篇主要寫怎麼成為一位量化交易者,包含硬技能,例如:演算法、數據、統計學、程式語言能力、電腦應用能力,以及軟性技能:交易者的性格、風險承受能力、面對失敗的接受度、創新的思考模式,看起來就是很廣泛的一篇文章,不過我覺得拿來檢視自己的技能樹點到哪裡了,也是很不錯的方式。
  • Beginner’s Guide to Quantitative Trading I: Useful skills and where to find them
    相對上一篇,這一篇就非常實際啦,直接跟你說要去哪裡學東西,教學網站的網址直接列出來了,包含:數學及統計、programming、交易策略、機器學習、回測、量化交易平台。
  • Beginner’s Guide to Quantitative Trading II: Developing Automated Trading Systems
    這篇是上一篇的延伸,主要寫實務交易的技能,包含選擇市場、製作交易訊號、交易策略、交易成本、回測、如何避免過度擬合。
  • Popular Python Trading Platforms For Algorithmic Trading
    列出量化交易會用到的套件:包含技術指標計算套件、資料處理套件、繪圖套件、機器學習套件、回測框架,雖然這些內容可能在上面那些文章也有,但我覺得這篇有直接列出指標性的工具,通常是最多人用且最好用的,所以還是把他列出來了,另外很重要的部分是它還列出美股常用的量化交易平台,這個部份真的是要內行人才知道的,很不錯的資源。

筆者 Sean
奈米戶投資人 / Python愛用者
喜歡用Python玩轉金融數據,從個股基本面、技術面、籌碼面相關資料,一直到總體經濟數據,都是平常接觸到的素材;對於投資,除了研究歷史數據,也喜歡瞭解市場上大家在玩些什麼。